[发明专利]多媒体内容评估方法、装置及其训练方法

权利要求书

1.一种多媒体内容评估模型的训练方法，其特征在于，所述多媒体内容评估模型包括评估网络模块和后处理单元，所述评估网络模块包括分类网络子模块和后续的降维子模块，所述训练方法包括：

训练评估网络模块，包括：

将具有各自标准评估等级的多个训练数据输入所述评估网络模块，其中所述标准评估等级为按照标准排序的N个预定评估等级之一，N≥2，

由所述分类网络子模块的输出获得分类结果，

由所述后续的降维子模块的输出获得排序结果，

基于分类损失函数，确定所述分类结果与标准评估等级之间的第一差异，

基于排序损失函数，确定所述排序结果与标准评估等级对应的标准排序之间的第二差异，

基于所述第二差异，迭代更新所述降维子模块的参数，

基于所述第一差异，迭代更新所述分类网络子模块的参数，

达到预定的迭代终止条件时，完成所述评估网络模块的训练；

将多个图片数据输入训练好的评估网络模块获得评估网络模块输出，并将所述评估网络模块输出输入所述后处理单元进行处理，以确定用于将评估网络模块输出变换为最终评估值的后处理参数。

2.根据权利要求1所述的训练方法，其特征在于，所述基于所述第一差异，迭代更新所述分类网络子模块的参数，包括：

基于所述第一差异和第二差异，迭代更新所述分类网络子模块的参数。

3.根据权利要求2所述的训练方法，其特征在于，所述训练评估网络模块，包括：

将所述多个训练数据分批输入所述评估网络模块；

针对同批次的训练数据，由所述分类网络子模块的批量输出获得所述分类结果；

针对所述同批次的训练数据，由所述后续的降维子模块的批量输出确定所述N个预定评估等级各自的输出均值，以所述N个预定评估等级各自的输出均值排序作为所述排序结果；

基于所述分类损失函数，确定所述同批次的训练数据的分类结果与所述同批次的训练数据的标准评估等级之间的第一差异；

基于所述排序损失函数，确定所述同批次的训练数据的排序结果与所述同批次的训练数据的标准评估等级对应的标准排序之间的差异为第二差异；

基于所述第二差异，迭代更新所述降维子模块的参数；

基于所述第一差异和第二差异，迭代更新所述分类网络子模块的参数，

达到预定的迭代终止条件时，完成所述评估网络模块的训练。

4.根据权利要求1至3中任一项所述的训练方法，其特征在于，所述分类损失函数选自交叉熵损失函数、负对数似然损失函数和指数损失函数中任一种；和/或

所述排序损失函数选自均方误差损失函数、平均绝对值误差损失函数和编辑距离误差损失函数中任一种。

5.根据权利要求1至3中任一项所述的训练方法，其特征在于，所述将多个图片数据输入训练好的评估网络模块获得评估网络模块输出，并将所述评估网络模块输出输入所述后处理单元进行处理，以确定用于将评估网络模块输出变换为最终评估值的后处理参数，包括：

将多个图片数据输入所述训练好的评估网络模块，获得对应所述多个图片数据的多个评估网络模块输出；

利用所述多个评估网络模块输出，估计对应于所述N个预定评估等级的N个初始概率密度函数，确定所述N个初始概率密度函数的参数；

基于预定的概率密度函数重叠度，平移所述N个初始概率密度函数，获得N个平移后的概率密度函数，确定所述N个平移概率密度函数的参数。

6.根据权利要求5所述的训练方法，其特征在于，所述将多个图片数据输入训练好的评估网络模块获得评估网络模块输出，并将所述评估网络模块输出输入所述后处理单元进行处理，以确定用于将评估网络模块输出变换为最终评估值的后处理参数，还包括：

基于所述N个平移概率密度函数的参数，确定最大值和最小值；

基于所述最大值和最小值，确定用于归一化至预定的连续评分范围的归一化参数。

7.根据权利要求1至3中任一项所述的训练方法，其特征在于，所述预定评估等级为3个，包括多媒体内容的高质量等级、中质量等级和低质量等级。